ReSAE：用残差化时序稀疏自编码器解读扩散模型
热点事件持续更新
ReSAE：用残差化时序稀疏自编码器解读扩散模型
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
研究者提出残差化时序稀疏自编码器（ReSAE），用于解读扩散模型在去噪过程中的激活轨迹。其做法是在相邻时间步之间拟合线性预测器，用初始激活和线性动态无法解释的残差来表示每条激活轨迹。 据作者称，在 Stable Diffusion 1.5 和一款 Diffusion Transformer 上，ReSAE 的特征覆盖整条去噪轨迹，并能定位变化进入轨迹的时刻，为研究扩散模型如何随时间生成图像提供工具。
AI 根据报道生成 · 3 小时前更新
最新进展10月8日 12:00
ReSAE：用残差化时序稀疏自编码器解读扩散模型报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv cs.CVReSAE：用残差化时序稀疏自编码器解读扩散模型
研究者提出残差化时序稀疏自编码器（ReSAE），通过在相邻时间步之间拟合线性预测器，用初始激活和线性动态无法解释的残差来表示扩散模型的激活轨迹。在 Stable Diffusion 1.5 和一款 Diffusion Transformer 上，ReSAE 特征覆盖整条去噪轨迹，并能定位变化进入轨迹的时刻，为研究扩散模型如何随时间生成图像提供了工具。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。